L’objectif de cette étude est d’évaluer les tendances temporelles des poissons d’eau douce de Bretagne. Ce travail vient en appui de la révision de la liste rouge régionale. Il s’agit de produire un tableau de bord combinant divers indicateurs de la dynamique des populations.
Dans un premier temps, ce script a pour objectif de constituer un premier dataframe rassemblant les données de la base ASPE correspondant à une zone géographique identifiée. Il s’agit de constituer un jeu de données regroupant des réseaux, des sites ainsi que des opérations de pêches ciblés qui constiturons la base de nos données pour l’étude des tendances des séries temporelles.
# Chargement des packages ----
library(aspe)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.4.4 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(mapview)
library(COGiter)
library(sf)
## Linking to GEOS 3.11.2, GDAL 3.7.2, PROJ 9.3.0; sf_use_s2() is TRUE
library(ggplot2)
library(rmapshaper)
library(dplyr)
library(wesanderson)
# Chargement des fonctions ----
source(file = "../R/borner_series.R")
# Chargement des données ----
rdata_tables <- misc_nom_dernier_fichier(
repertoire = "../../../../projets/ASPE/raw_data/rdata",
pattern = "^tables")
load(rdata_tables)
# Chargement de la palette de couleur ----
pal <- wes_palette("AsteroidCity1")
Plusieurs paramètres sont fixés au début de chacun des scripts relatifs à l’étude. Ces paramètres sont modifiables selon les préférences et les objectifs visés. Parmi ces paramètres :
La taille du buffer (en mètres) : il s’agit de la taille du buffer lié aux opérations de pêches.
Les réseaux de pêches : Il s’agit des types de réseaux sélectionnés. Parmi eux se trouvent le RCS - Réseau de Contrôle de Surveillance ; le RRP - Réseaux de Référence Pérenne ; le RHP - Réseau Hydrobiologique Piscicole. Dans notre étude, seul les trois premiers réseaux seront utilisés. Ces réseaux seront tester individuellement des uns des autres afin d’écarter ou non des analyses communes. En effet, les réseaux n’ayant pas le même objectif, un biais peut s’appliquer (ex. le réseaux RCS est un réseau “neutre”, qui est sensé ne pas subir d’influence extérieure).
Les types de pêches : Il existe de nombreux types de pêches. Ce paramètre permet de sélectionner les types de pêches souhaitées dans l’étude.
Le nombre d’années minimum d’années sur les séries de pêches : il s’agit de la période minimum souhaitée dans les séries de pêches.
Le nombre d’années manquantes consécutives maximum sur les séries de pêches : il s’agit de la période d’années manquantes consécutives maximum souhaitée dans l’analyse.
## La taille du buffer (en mètres) ----
taille_buffer <- 1000
## Les réseaux de pêches ----
mes_reseaux <- c("RCS – Réseau de Contrôle de Surveillance",
"RRP – Réseau de Référence Pérenne",
"RHP – Réseau Hydrobiologique Piscicole")
## Les types de pêches ----
mes_types_de_peche <- c("Pêche complète à un ou plusieurs passages",
"Pêche partielle par points (grand milieu)",
"Pêche par ambiances",
"Pêche partielle sur berge")
## Le nombre minimum d'années sur les séries de pêches ----
n_mini_annees <- 9
## Le nombre d'années manquantes maximum sur cette série de pêches dans les données ----
n_max_manquant <- 2
## Création d'une passerelle ----
passerelle <- mef_creer_passerelle()
## Joining with `by = join_by(pre_id)`
## Joining with `by = join_by(ope_id)`
## Joining with `by = join_by(pop_id)`
## Sélection de l'aire géographique : choix des départements ----
# Exemple : La Bretagne (22, 29, 35, 56)
mes_depts <- departements_metro_geo %>%
filter (DEP %in% c("22", "29", "35", "56"))
# Visualisation de la zone géographique sélectionnée ----
mes_depts %>%
mapview::mapview()
Notre étude se concentre dans cette exemple sur la Bretagne. Toutes les stations bretonnes sont alors retenues dans le jeu de données. Ici, il ne s’agit pas de réfléchir à l’échelle des bassins versants, leur limite n’étant pas toujours évidente. Cependant, un buffer est mis en place aux alentours des limites départementales afin de considérer les stations aux emplacements ambiguës et englober les stations frontalières aux limites départementales. La limite du buffer est donc à considérer en fonction de l’aire géographique considérée (cf I.B Paramètres).
## Mise en place d'un buffer ----
bzh_buff <- st_buffer(mes_depts,
taille_buffer) # (I.B Paramètres)
# Visualisation de l'aire géographique et du buffer ----
mapview(
list(bzh_buff, mes_depts),
layer.name = c("Bretagne avec un buffer de 1 km", "Bretagne"),
col.regions = list("#440154FF", "#FDE725FF")
)
# Visualisation des points de prélèvements présents dans l'aire géographique sélectionnée
pop_bzh <- point_prelevement %>%
sf::st_as_sf(coords = c("pop_coordonnees_x",
"pop_coordonnees_y"),
crs = 2154) %>%
aspe::geo_attribuer(bzh_buff) %>%
filter(!is.na(DEP))
mapview(
list(bzh_buff, mes_depts),
layer.name = c("Bretagne avec un buffer de 1 km", "Bretagne"),
col.regions = list("#440154FF", "#FDE725FF")
) + mapview (pop_bzh, color = "darkred", lwd =3)